Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Gas alam merupakan sumber energi ketiga yang paling banyak digunakan di Indonesia, setelah minyak bumi dan batubara. Agar lebih mudah ditranportasikan, gas alam diubah menjadi LNG kemudian diubah kembali melalui proses regasifikasi LNG. Diperlukan sistem pengendali agar proses regasifikasi LNG dapat berjalan lancar. Multivariabel model predictive control (MMPC) merupakan pengendali tingkat lanjut yang dapat digunakan pada sistem regasifikasi LNG. Terdapat tiga parameter pada MMPC, yaitu sampling time (Ts), prediction horizon (P), dan control horizon (M).  Pada penelitian ini, dilakukan penyetelan MMPC untuk mendapatkan parameter MMPC dengan menggunakan metode minimalisasi nilai integral of square error (ISE). Kinerja pengendalian MMPC dengan tuning minimalisasi nilai ISE kemudian dibandingkan dengan pengendalian MMPC hasil fine-tuning (trial and error) dan didapatkan bahwa kinerja MMPC dengan tuning minimalisasi nilai ISE lebih baik. Selain itu, proses tuning dengan minimalisasi nilai ISE lebih mudah dilakukan dibanding fine-tuning (trial and error) karena dapat berjalan secara otomatis.

 

---

Natural gas is the third most widely used energy source in Indonesia, after oil and coal. To make it easier to transport, natural gas is converted into LNG and then converted back through the LNG regasification process. A control system is needed so that the LNG regasification process can overcome the disturbances that arise. Multivariable model predictive control (MMPC) is an advanced controller that can be used in LNG regasification systems. There are three parameters in MMPC, namely sampling time (Ts), prediction horizon (P), and control horizon (M). In this study, the MMPC was tuned to obtain the MMPC parameters by using the integral of square error (ISE) minimization method. The performance of the MMPC control by tuning the ISE minimization value was then compared with the MMPC control with the results of fine-tuning (trial and error) and it was found that the performance of the MMPC by tuning the minimization of the ISE value was better. In addition, the tuning process by minimization of the ISE value is easier to do than fine-tuning (trial and error) because it can run automatically.

 

"

"Dimetil eter (DME) merupakan senyawa yang potensial untuk dikembangkan menjadi bahan bakar berkelanjutan. Unit purifikasi metanol-air merupakan salah satu unit pada sintesis DME yang penting untuk dikendalikan agar metanol dapat dialirkan kembali ke proses sehingga efisiensi pabrik secara keseluruhan dapat meningkat. Penggunaan multivariable model predictive control (MMPC) pada proses ini dapat meningkatkan kinerja pengendalian dan menurunkan biaya modal dalam pembelian pengendali. Hal ini disebabkan karena MMPC dapat mengendalikan beberapa variabel dengan satu pengendali. Penyetelan MMPC yang dilakukan dengan Matlab melalui seleksi turnamen pada 888 kombinasi data tiap perubahan CV menunjukkan bahwa sampling time MMPC memiliki pengaruh yang sangat besar terhadap kinerja pengendalian. Nilai sampling time yang terlalu kecil akan menghasilkan sensitivitas yang terlalu besar dan menyebabkan perubahan parameter lainnya, yaitu prediction horizon dan control horizon, menjadi sulit dipahami karena polanya cukup acak. Metode penyetelan MMPC yang diusulkan berhasil mendapatkan nilai-nilai IAE dan ISE yang optimum dan secara umum dapat memperbaiki kekurangan dari penyetelan penelitian sebelumnya. Dari penelitian ini diperoleh pengendalian yang cukup optimum pada T=0,5; P=20; dan M=2.

---

Dimethyl ether (DME) is a compound that has the potential to be developed into a sustainable fuel. The methanol-water purification unit is important unit to be controlled in DME synthesis, to make sure that methanol can be flowed back into the process then increase the overall efficiency of the plant. The importance of using multivariable model predictive control (MMPC) in this process is to improve process control performance and reduce capital costs in purchasing controllers. It is because MMPC can control several variables with one controller. MMPC tuning performed with Matlab through tournament selection on 888 data combinations for each CV change shows that the MMPC sampling time has a very large influence on control performance. A sampling time value that is too small will result in a very high sensitivity and causes changes in other parameters, namely the prediction horizon and control horizon, to be difficult to understand because the pattern is quite random. The proposed MMPC tuning method has succeeded in obtaining optimum IAE and ISE values ​​and in general can correct the shortcomings of previous research settings. The best control was obtained at T=0.5; P=20; and M=2.

"

"Kualitas pengelasan dipengaruhi oleh beberapa parameter antara lain material induk, heat input, jenis sambungan, jenis fluks, komposisi atau jenis bahan tambahan (elektroda) serta keahlian operator las. Komposisi kimia dari kawat las (filer) berpengaruh besar terhadap kualitas logam las (weldment), karena akan mempengaruhi struktur mikro logam las dan sifat mekaniknya."

"ABSTRAKMMPC (Multivariable Model Predictive Control) digunakan untuk mengontrol suhu dan tekanan di kilang regasifikasi LNG untuk mengatasi masalah yang saling mempengaruhi variabel dan mengurangi jumlah pengontrol. Ada empat variabel yang dikontrol (variabel terkontrol, CV) dan empat variabel yang dimanipulasi variabel, MV). CV yang dikontrol adalah tekanan di tangki penyimpanan LNG yaitu tekanan keluaran vaporizer, suhu keluaran vaporizer, dan suhu gas ke pipa. MV dimanipulasi, yang masing-masing berpasangan dengan CV tersebut, adalah laju aliran produk tank top, laju aliran gas pipa, laju aliran air laut, dan pemanas tugas. Identifikasi Model empiris FOPDT (First Order Plus Dead-Time) akan dilakukan terhadap keempatnya pasang CV dan MV untuk menggambarkan interaksi antar variabel. FOPDT diperoleh digunakan sebagai pengontrol di MMPC dan menentukan pengaturan kinerja kontrol Parameter MMPC yaitu P (prediction horizon), M (control horizon), T (waktu sampling). Kinerja kontrol diukur dengan menggunakan metode ISE (Integral Square Error). Hasilnya, parameter MMPC (P, M, T) untuk kondisi regasifikasi LNG adalah optimum masing-masing adalah 330, 1, 1. Ukuran ISE dari pengontrol MMPC dalam setpoint pelacakan: 2.12 × 10-4; 23.834; 0,763; 0,085, dengan perkembangan kinerja pengontrol masing-masing 31.262%, 17%, 175%, 757% dibandingkan kinerja MPC.

---

ABSTRACTMMPC (Multivariable Model Predictive Control) is used to control temperature and pressure in the LNG regasification plant to overcome the problem of interplaying variables and reducing the number of controllers. There are four controlled variables (controlled variable, CV) and four manipulated variablesvariable, MV). CV that is controlled is the pressure in the LNG storage tank, namely the vaporizer output pressure, the vaporizer output temperature, and the gas temperature to the pipe. MV manipulated, each of which is paired with the CV, is the tank top product flow rate, the pipeline gas flow rate, the seawater flow rate, and the heating duty. Identification of the FOPDT (First Order Plus Dead-Time) empirical model will be carried out on the four CV and MV pairs to describe the interactions between variables. The obtained FOPDT is used as a controller in the MMPC and determines the control performance settings for the MMPC parameters, namely P (prediction horizon), M (control horizon), T (sampling time). Control performance is measured using the ISE (Integral Square Error) method. As a result, the MMPC parameters (P, M, T) for the optimum LNG regasification conditions were 330, 1, 1. ISE size of the MMPC controller in the tracking setpoint: 2.12 × 10-4; 23,834; 0.763; 0.085, with the development of the controller performance respectively 31,262%, 17%, 175%, 757% compared to the performance of MPC."

"Senyawa turunan indol dan tiazolidin memiliki bioaktivitas yang luas. Salah satunya adalah aktivitas antioksidan. Pada penelitian ini, dilakukan sintesis senyawa turunan spiro[indol-tiazolidinon] menggunakan amina primer, asam tioglikolat, serta asam oksalat sebagai katalis. Reaksi ini dilakukan dengan metode one-pot synthesis dengan cara Multi Component Reaction (MCR) dan menggunakan variasi amina primer, yaitu anilin, 4-nitroanilin, dan 4-aminofenol untuk masing-masing senyawa turunan spiro[indol-tiazolidinon] 1, 2, dan 3. Senyawa hasil sintesis dikarakterisasi menggunakan Kromatografi Lapis Tipis (KLT), uji titik leleh, serta analisis menggunakan Ultra Violet-Visible Spectroscopy (UV-Vis), Fourier-Transform Infrared Spectroscopy (FTIR), dan Liquid Chromatography–Mass Spectrometry (LC-MS). Didapatkan senyawa spiro[indol-tiazolidinon] 1, 2, dan 3 dengan persen yield masing-masing sebesar 15,64%; 12,179%; 19,36%. Kemudian produk yang disintesis dilakukan uji antioksidan menggunakan metode 1,1-difenil-2-pikrihidazil (DPPH). Hasil uji menunjukkan bahwa seluruh senyawa turunan spiro[indol-tiazolidinon] memiliki aktivitas antioksidan dengan nilai IC50 senyawa spiro[indol-tiazolidinon] 1, 2, dan 3 masing-masing sebesar 692,90; 683,88; dan 667,32 ppm.

---

Indole and thiazolidine derivatives have diverse bioactivities, one of them is an antioxidant. In this research, spiro[indole-thiazolidinone] derivatives were prepared by a one-pot synthesis method. This Multi-Component Reaction (MCR) consisted of isatin, primary amine, and thioglycolic acid, with the addition of oxalic acid as a catalyst. Aniline, 4-nitroaniline, and 4-aminophenol were used as the variation of primary amine for the preparation of spiro[indole-thiazolidinone] 1, 2, and 3 respectively. After preparation, spiro[indole-thiazolidinone] derivatives were identified using Thin-Layer Chromatography (TLC), melting point, and were analyzed using Ultra Violet-Visible Spectroscopy (UV-Vis), Fourier-Transform Infrared Spectroscopy (FTIR), dan Liquid Chromatography–Mass Spectrometry (LC-MS). Percent yield of spiro[indole-thiazolidinone] 1, 2, and 3 were 15.64%; 12.179%; and 19.36% respectively. The antioxidant activity of the compounds was tested using DPPH method. IC50 value of spiro[indole-thiazolidinone] 1, 2, and 3 respectively were 692.90; 683.88; and 667.32 ppm.

"

"Optimalisasi pabrik regasifikasi liqufied natural gas LNG penting dilakukan untuk meminimilasi biaya, khususnya biaya operasional. Oleh karena itu penting untuk memilih desain pabrik regasifikasi LNG dan mendapatkan kondisi operasi yang optimum serta mempertahankan kondisi operasi yang optimum tersebut melalui implementasi model predictive control MPC. Kriteria optimalnya adalah minimumnya jumlah energi yang digunakan dan atau integral of square error ISE. Hasilnya, disain yang optimum adalah menggunakan skema 2 dengan penghematan energi sebesar 40. Sedangkan kondisi operasi yang optimum terjadi jika suhu keluaran vaporizer sebesar 6oC. Untuk mempertahankan kondisi optimum tersebut diperlukan MPC dengan setelan parameter P prediction horizon , M control horizon dan T sampling time sebagai berikut: pengendali tekanan tangki penyimpanan: 90, 2, 1; tekanan produk: 95, 2, 1; suhu vaporizer: 65, 2, 2; dan suhu heater: 35, 6, 5, dengan nilai ISE pada set point tracking masing-masing 0,99, 1792,78, 34,89 dan 7,54, atau peningkatan kinerja pengendalian masing-masing sebesar 4,6 , 63,5 , 3,1 dan 58,2 dibandingkan kinerja pengendali PI. Penghematan energi yang dapat dilakukan pengendali MPC saat terjadi gangguan pada kenaikan suhu air laut 1oC adalah 0,02 MW dan pengendali MPC juga mengurangi error terhadap kualitas produk sebesar 34,25 dibandingkan dengan menggunakan pengendali PI.

---

Optimization of liquified natural gas LNG regasification plant is important to minimize costs, especially operational costs. Therefore, it is important to select the LNG regasification plant design and obtain optimum operating conditions while maintaining the optimum operating conditions through the implementation of model predictive control MPC. The optimal criterion is the minimum amount of energy used and or the integral of square error ISE.

As a result, the optimum design is to use scheme 2 with an energy savings of 40 . While the optimum operating conditions occur if the vaporizer output temperature is 6oC. In order to maintain the optimum conditions, MPC is required with parameter setting P prediction horizon, M control horizon and T sampling time as follows tank storage pressure controller 90, 2, 1 product pressure 95, 2, 1 temperature vaporizer 65, 2, 2 and temperature heater 35, 6, 5, with ISE value at set point tracking respectively 0.99, 1792.78, 34.89 and 7.54, or improvement of control performance respectively 4.6, 63.5 , 3.1 and 58.2 compared to PI controller performance.

The energy savings that MPC controllers can make when there is a disturbance in sea temperature rise of 1oC is 0.02 MW and MPC controller also reduces error to product quality by 34.25 compared to the PI controller."

"Hidrogen merupakan salah satu gas yang memiliki banyak kegunaan. Salah satunya pada industri kimia. Pada pabrik biohidrogen, unit kompresor merupakan salah satu unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berfungsi untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya. Multivariable model predictive control (MMPC) digunakan untuk mengendalikan proses pada pabrik. Untuk mendapatkan pengendalian yang optimal, perlu dilakukan penyetelan. Penyetelan akan dilakukan pada Matlab-Simulink yang diintegrasikan dengan Aspen Plus Dynamics. Sistem pengendalian akan dibuat pada Simulink dan simulasi proses akan dilakukan pada Aspen Plus Dynamic. Penyetelan ini dilakukan dungeon metode Genetic Algorithm dungeon metode pencarian seleksi turnamen. Setelah itu, hasil penyetelan akan dijalankan juga dengan unisim design agar kinerja pengendalian dapat dibandingkan dengan penelitian sebelumnya. Model first order plus dead time (FOPDT) digunakan sebagai model prediksi MMPC. Pada penelitian ini, model FOPDT yang digunakan di MMPC pada Matlab harus dihasilkan dengan cara satuan tekanan keluaran kompresor terlebih dahulu diubah menjadi satuan persentase karena MMPC pada Matlab akan menginterpretasikan variabel-variabel perhitungan dalam satuan persen. Parameter time sampling (T), prediction horizon (P), dan control horizon (M) terbaik yang diperoleh dari metode penyetelan seleksi turnamen pada simulasi dengan unisim untuk perubahan set-point (SP) yaitu 1 detik, 18, dan 3. Untuk uji gangguan parameter T, P, dan M yang diperoleh dengan penyetelan fine tuning terbaik yaitu 1 detik, 341, dan 121. Pada simulasi Matlab-Simulink-Aspen Plus Dynamics, parameter T, P, dan M yang terbaik yaitu 0,05 detik, 18, dan 2 untuk perubahan SP dan 0,05 detik, 7, dan 1 untuk perubahan gangguan.

---

Hydrogen is one of the gases that has many uses, including in the chemical industry. In a biohydrogen plant, the compressor unit is one of the important units in the biomass-based biohydrogen plant. The compressor unit works to achieve high pressure for further operational conditions. Multivariable Model Predictive Control (MMPC) is used to control the processes in the plant. To obtain optimal control performance, tuning process is necessary. The tuning process will be conducted in Matlab-Simulink integrated with Aspen Plus Dynamics. The control system will be designed in Simulink, and the process simulation will be executed in Aspen Plus Dynamics. The tuning was done using the Genetic Algorithm with tournament selection search method. Subsequently, the tuning results will also be implemented in Unisim Design to compare the control performance with previous research. The First Order Plus Dead Time (FOPDT) model is applied as the prediction model for MMPC. In this study, the FOPDT model used in MMPC in Matlab must be generated by converting the compressor output pressure unit into a percentage unit due to the MMPC in Matlab will interpret the calculation variables in percent units. For the set-point change, the best time sampling (T), prediction horizon (P), and control horizon (M) parameters that were obtained from the tournament selection tuning method in the simulation with Unisim design are 1 second, 18, and 3. For disturbance testinwere obtainedest parameters are 1 second, 341, and 121 that obtained by fine-tuning method. In the Matlab-Simulink-Aspen Plus Dynamics simulation, the best parameters T, P, and M for set-point changes are 0.05 seconds, 18, and 2, and for disturbance changes are 0.05 seconds, 7, and 1."

"Kepadatan penduduk di Indonesia yang terpusat di pulau Jawa mengakibatkan tingginya kebutuhan energi. Sebagian besar kebutuhan ini masih dipenuhi dari bahan bakar diesel yang bersubsidi yang juga mahal. Penggunaan gas bumi sebagai pengganti diesel sangat potensial untuk mengurangi kerugian negara dengan turunnya konsumsi bahan bakar bersubsidi. Suplai gas lokal dari pulau Jawa sendiri tidak cukup untuk memenuhi kebutuhan energi yang tinggi ini sehingga gas bumi sebagai bahan baku pembangkit diimpor dari luar pulau Jawa dalam bentuk cair (LNG). Pabrik regasifikasi LNG untuk mengubah kembali LNG menjadi fasa gas dibangun untuk memfasilitasi penerimaan LNG bagi daerah konsumen. Pengendalian proses pada operasi pabrik LNG dirancang untuk menjaga keamanan operasi dan memastikan proses berjalan dengan optimal untuk mendapat produk yang baik. Pengendalian dalam penelitian ini dilakukan dengan menggunakan pengendali PI (Proportional Integral). Lingkup perancangan pengendalian dilakukan dari pemilihan elemen pengendalian berupa sensor dan valve serta melakukan penyetelan pengendali. Penyetelan pengendali dilakukan dengan dua metode yaitu Ziegler Nichols dan Lopez dan kemudian dibandingkan kinerjanya berdasarkan parameter kinerja pengendali. Sebagai hasilnya, pengendalian yang optimum pada pengendali laju alir dan ketinggian pada tangki LNG, laju alir booster pump, tekanan kompresor, dan suhu vaporizer menggunakan Ziegler Nichols. Sementara tekanan tangki LNG menggunakan Lopez. Pengendali anti surge kompresor menggunakan default.

---

Indonesia's high population density which centralized in Java island results in high demand of energy. Most of the demand is still fulfilled from diesel fuel which is subsidized by the government and also expensive. Utilization of natural gas as a substitute for diesel fuel is potential to minimize the country’s deficit by decreasing the use of subsidized fuel. Local gas supply from Java itself cannot fulfill the whole Java energy demand so that gas is imported from outside of Java in liquid form (LNG). LNG Regasification plant is designed to change the form of the product back into it's natural state, gas. The plant is designed to facilitate LNG receiving in consumer’s area. Process control in LNG Regasification plant is designed to ensure operation safety and to make sure the whole process works optimally to maintain the best product quality.

The process control design in this research is using PI (Proportional-Integral) controller. The scope of control design is done from the selection of the control element which are sensors and control valves, to the tuning of the controller. Controller tuning is done in two methods, Ziegler Nichols and Lopez. The tuning result of those two methods then compared based on controller performance parameters. As a result, optimum control in flow and level control in LNG tank, flow control in booster pump, pressure control in compressor, and temperature control in vaporizer are using Ziegler Nichols tuning. On the other side, pressure control in LNG tank is using Lopez tuning. Anti surge control in compressor is using default tuning value."

"Pelumas merupakan senyawa yang digunakan untuk mengurangi gaya gesek dan keausan antar komponen yang berkontak satu sama lain. Base oil merupakan komponen penting dalam pelumas sehingga pemilihan base oil dapat menentukan sifat dari pelumas tersebut. Kolom distilasi pada proses separasi base oil ester memiliki potensi bahaya yang cukup tinggi sehingga perlu adanya pengendalian pada unit tersebut. Pada penelitian ini, Multivariable Model Predictive Control (MMPC) digunakan sebagai pengendali tingkat lanjut untuk mengendalikan 4 pasangan manipulated variable (MV) dan controlled variable (CV) pada unit distilasi. Penyetelan pengendali dilakukan dengan pemodelan first order plus derivative time (FOPDT) dengan metode Smith, Wade, Lilja, dan Solver yang dilanjutkan dengan penentuan parameter MMPC. Penentuan parameter MMPC dengan metode fine-tuning menghasilkan prediction horizon (P) sebesar 375, control horizon (M) sebesar 245, dan sampling time (T) sebesar 1. Pengendalian dengan MMPC 4×4 hasil fine-tuning mampu mengurangi nilai Integrated Absolute Error (IAE) sebesar 3,31 – 80,40% dan nilai Integrated Squared Error (ISE) sebesar 2,77 – 81,33% dibandingkan hasil pengendalian PI pada pengujian set point tracking. Selain itu, pengendalian MMPC juga dapat mengurangi nilai IAE sebesar 3,17 – 77,48% dan nilai ISE sebesar 23,83 – 88,44% dibandingkan hasil pengendalian PI pada pengujian disturbance rejection.

---

Lubricants are compounds used to reduce friction and wear between components in contact with each other. Base oil is an important component in lubricants so that the selection of base oil can determine the nature of the lubricant. The distillation column in the ester base oil separation process has a high potential hazard, so it is necessary to control the unit. In this study, Multivariable Model Predictive Control (MMPC) is used as an advanced controller to control 4 pairs of manipulated variables (MV) and controlled variables (CV) in the distillation unit. Controller tuning is done by first order plus derivative time (FOPDT) modeling with Smith, Wade, Lilja, and Solver methods followed by MMPC parameter determination. The determination of MMPC parameters with the fine-tuning method results in a prediction horizon (P) of 375, a control horizon (M) of 245, and a sampling time (T) of 1. Control with MMPC fine-tuning results can reduce the Integrated Absolute Error (IAE) value by 3.31 – 80,40% and the Integrated Squared Error (ISE) value by 2.77 – 81,33% compared to the PI control results in the set point tracking test. In addition, MMPC  control can also reduce the IAE value by 3.17 – 77,48% and the ISE value by 23.83 – 88,44% compared to the PI control results in the disturbance rejection test."

"Ester base oil merupakan pelumas alami yang telah diterima secara luas dikarenakan kemampuan pelumasannya yang tinggi, serta keunggulan seperti kinerja suhu rendah, indeks viskositas yang tinggi, pengurangan gesekan yang sangat baik, dan sifat anti aus. Proses sintesis ester base oil melibatkan dua tahapan utama, yaitu oligomerisasi dan esterifikasi. Penelitian ini bertujuan untuk mendapatkan rancangan serta mendesain pengendalian proses pada proses pre- treatment oligomerisasi pabrik ester base oil dengan multivariable model predictive control (MMPC) 4x4. Metode yang digunakan untuk mendapatkan model first order plus dead time (FOPDT) 4x4 adalah dengan cara dilakukan identifikasi sistem menggunakan metode Smith, metode Wade, dan metode Solver. Selanjutnya, ditentukan model FOPDT terbaik dengan membandingkan nilai root- mean-square error (RMSE) terkecil dari setiap metode. Metode tuning yang digunakan untuk MMPC adalah metode Shridhar-Cooper dilanjutkan dengan fine- tuning untuk mendapatkan nilai parameter P (prediction horizon), M (control horizon), dan T (sampling time). Parameter MMPC tersebut akan diuji berdasarkan respon kinerja pengendali terhadap pengujian set point (SP) tracking dan pengujian disturbance rejection. Kinerja MMPC juga akan dibandingkan dengan kinerja pengendali propotional-integral (PI) dengan perhitungan integral absolute error (IAE) dan integral square error (ISE). Hasil identifikasi sistem didapatkan model FOPDT terbaik menggunakan metode Smith yaitu M1V3, M2V1 ; metode Wade yaitu M1V2, M2V3, M2V4, M4V2 ; metode Solver yaitu M1V1, M1V4, M2V2, M3V1, M3V2, M3V3, M3V4, M4V1, M4V3, M4V4. Metode fine-tuning pada penyetelan MMPC menghasilkan parameter P, M, T terbaik masing-masing sebesar 350, 300, dan 2. Pada pengujian SP ttacking, MMPC menunjukkan kinerja terbaik dalam pengendalian suhu sedangkan kinerja pengendali PI lebih baik dalam pengendalian laju alir. Pada pengujian disturbance rejection, kinerja MMPC lebih baik dibandingkan pengendali PI dengan perbaikan kinerja pengendalian sebesar 7,16% - 61,35% untuk nilai IAE dan 13,96% - 88,60% untuk nilai ISE.

---

Ester base oil is a natural lubricant widely accepted due to its high lubricating ability, as well as advantages such as low-temperature performance, high viscosity index, excellent friction reduction, and anti-wear properties. The synthesis process of ester base oil involves two main stages, namely oligomerization and esterification. This research aims to obtain a design and design process control in the pre-treatment process of oligomerization in the ester base oil plant with multivariable model predictive control (MMPC) 4x4. The method used to obtain the first-order plus dead time (FOPDT) 4x4 model is by identifying the system using Smith's method, Wade's method, and Solver's method. Furthermore, the best FOPDT model is determined by comparing the smallest root-mean-square error (RMSE) values from each method. The tuning method used for MMPC is the Shridhar-Cooper method followed by fine-tuning to obtain the parameter values P (prediction horizon), M (control horizon), and T (sampling time). These MMPC parameters will be tested based on controller performance responses to set point (SP) tracking testing and disturbance rejection testing. The performance of MMPC will also be compared with proportional-integral (PI) controllers using integral absolute error (IAE) and integral square error (ISE) calculations. The results of the system identification obtained the best FOPDT model using Smith's method, namely M1V3, M2V1; Wade's method, namely M1V2, M2V3, M2V4, M4V2; Solver's method, namely M1V1, M1V4, M2V2, M3V1, M3V2, M3V3, M3V4, M4V1, M4V3, M4V4 .The fine-tuning method in MMPC tuning resulted in the best P, M, T parameters of 350, 300, and 2 respectively. In SP tracking testing, MMPC showed the best performance in temperature control while PI controller performance was better in flow rate control. In disturbance rejection testing, MMPC performance was better than PI controllers with performance improvement ranging from 7.16% to 61.35% for IAE values and 13.96% to 88.60% for ISE values."